Les poids sont-ils ouverts et puis-je exécuter Step 3.5 Flash localement ?

Oui, les poids sont publiquement disponibles sur Hugging Face sous stepfun-ai/Step-3.5-Flash. StepFun indique qu'il fonctionne sur du matériel grand public haut de gamme comme un Mac Studio M4 Max, mais avec 196 milliards de paramètres au total, vous aurez besoin d'une mémoire conséquente ; vérifiez la licence avant usage commercial.

Quel est le coût de Step 3.5 Flash et quelle est la taille de la fenêtre de contexte ?

Via API, il est tarifé à 0,10 $ par million de tokens d'entrée et 0,30 $ par million de tokens de sortie, avec une fenêtre de contexte de 262 144 tokens.

En quoi Step 3.5 Flash diffère-t-il de DeepSeek V3.2 ou Kimi K2 ?

Step 3.5 Flash n'active que 11 milliards de paramètres par token contre 37 milliards pour DeepSeek V3.2 et 32 milliards pour Kimi K2, ce qui, selon StepFun, se traduit par un coût de décodage environ 6 fois inférieur à DeepSeek V3.2 à 128K de contexte sur matériel équivalent.

Step 3.5 Flash

4358°

#llm #stepfun #raisonnement #programmation #agents #contexte long

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

StepFun | contexte de 262 144 tokens | 0,10 $/M entrée, 0,30 $/M sortie. Step 3.5 Flash est le modèle fondation open-source le plus performant de StepFun. Construit sur une architecture Mixture of Experts (MoE) sparse, il active sélectivement seulement 11 milliards de ses 196 milliards de paramètres par token. C'est un modèle de raisonnement incroyablement efficace en vitesse même sur des contextes longs.

Guides pour ce modèle

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Poids ouverts vs open source vs API uniquement : ce que tu peux vraiment faire

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Step 3.5 Flash est le modèle de raisonnement à poids ouverts de StepFun, construit sur une architecture MoE sparse de 196 milliards de paramètres qui n'active que 11 milliards de paramètres par token. Cette efficacité lui permet de maintenir un débit de 100 à 300 tokens par seconde même avec de longs contextes, ce qui le rend particulièrement pratique pour des charges de travail agentiques nécessitant un raisonnement multi-étapes rapide. Si vous cherchez un raisonnement de pointe que vous pouvez exécuter localement ou appeler à bas coût via API, c'est l'une des options les plus crédibles issues d'un laboratoire non occidental.

Connu pour

74,4 % sur SWE-bench Verified, parmi les meilleurs scores open-weight en codage publiés.
Débit de génération de 100 à 300 tok/s grâce à la prédiction multi-token 3-voies.
Fenêtre de contexte de 256K tokens avec un design hybride d'attention à fenêtre glissante qui limite les coûts.
Fonctionne sur du matériel grand public haut de gamme comme un Mac Studio M4 Max.
Poids ouverts disponibles sur Hugging Face pour déploiement local ou auto-hébergé.

Attention à

196 milliards de paramètres au total nécessitent un matériel sérieux ; les GPU grand public avec moins de 24 Go de VRAM auront du mal.
StepFun est un petit laboratoire et les conditions de licence méritent d'être vérifiées avant tout déploiement commercial.
Les comparaisons de benchmarks dans la fiche modèle sont auto-déclarées ; les évaluations indépendantes sont limitées.

Idéal pour

Programmation

Agents et utilisation d'outils

Raisonnement

Contexte long

Fonctionne localement

Prompts à essayer

Déboguer une boucle d'agent défaillante

J'ai un agent Python qui appelle un outil de recherche en boucle. Après 3 itérations, il commence à retourner des résultats en double et finit par se bloquer. Voici la logique de la boucle : [collez votre code]. Identifiez la cause racine, expliquez pourquoi cela se produit, et réécrivez la boucle pour corriger le problème sans changer l'interface de l'outil.

Planifier une tâche de codage multi-étapes

Je dois migrer une application Flask monolithique vers un service FastAPI avec des endpoints asynchrones, une base PostgreSQL via SQLAlchemy 2.0, et une file de tâches en arrière-plan utilisant ARQ. Décomposez cela en un plan séquencé avec les étapes les plus risquées signalées, puis implémentez complètement les deux premières étapes.

Raisonner sur une énigme logique

Cinq ingénieurs maîtrisent chacun un langage de programmation différent, boivent une boisson différente, et sont assis à des places différentes en rangée. Utilisez ces indices pour déterminer qui boit du café : le développeur Python est assis à côté de celui qui boit du thé ; le développeur Rust est en siège 1 ; le développeur Java boit du jus ; le développeur Go est assis immédiatement à droite du buveur de café ; le développeur TypeScript n'est pas en siège 5.

Comparer avec

Step 5 Preview
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $1.00/M, sortie $2.70/M
Step 3.7 Flash
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.20/M, sortie $1.15/M
GPT-6 Luna
Modèle uniquement API
Contexte de 1,050,000 tokens · entrée $0.10/M, sortie $0.50/M
Claude Opus 5.5
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $4.00/M, sortie $20.00/M

Plus de modèles de texte de stepfun

Questions fréquentes

Les poids sont-ils ouverts et puis-je exécuter Step 3.5 Flash localement ?: Oui, les poids sont publiquement disponibles sur Hugging Face sous stepfun-ai/Step-3.5-Flash. StepFun indique qu'il fonctionne sur du matériel grand public haut de gamme comme un Mac Studio M4 Max, mais avec 196 milliards de paramètres au total, vous aurez besoin d'une mémoire conséquente ; vérifiez la licence avant usage commercial.
Quel est le coût de Step 3.5 Flash et quelle est la taille de la fenêtre de contexte ?: Via API, il est tarifé à 0,10 $ par million de tokens d'entrée et 0,30 $ par million de tokens de sortie, avec une fenêtre de contexte de 262 144 tokens.
En quoi Step 3.5 Flash diffère-t-il de DeepSeek V3.2 ou Kimi K2 ?: Step 3.5 Flash n'active que 11 milliards de paramètres par token contre 37 milliards pour DeepSeek V3.2 et 32 milliards pour Kimi K2, ce qui, selon StepFun, se traduit par un coût de décodage environ 6 fois inférieur à DeepSeek V3.2 à 128K de contexte sur matériel équivalent.

Verdict du capitaine
Un modèle de raisonnement open-weight véritablement efficace qui mérite sa place si vous avez besoin d'une inférence agentique rapide sans payer les prix des API de pointe.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Nemotron 3.5 Lightning

Modèles d'IA pour générer image, vidéo et texte

Step 3.5 Flash est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm stepfun raisonnement programmation agents contexte long local

Parcourir par famille de modèles